Realizar una validación prospectiva de un modelo de análisis de imágenes de machine learning (ML) capaz de detectar 44 enfermedades de piel, comparando su precisión diagnóstica con la de médicos de familia (MF) y dermatólogos mediante la teledermatología (TD) en un entorno de práctica clínica real.

Estudio prospectivo con 100 pacientes consecutivos que consultaron a atención primaria por una lesión cutánea en la Cataluña Central, junio-octubre 2021. La lesión cutánea fue evaluada en primer lugar por los MF que tomaron una fotografía anónima de la lesión y se cargó en la aplicación ML. La misma imagen se envió por TD. Se compararon las evaluaciones de los tres diagnósticos de MF (Top-3), los cinco del modelo ML (Top-5) y los tres del dermatólogo (Top-3) para calcular la precisión, sensibilidad y especificidad del modelo ML. Limitaciones más relevantes son el número de patologías capaz de analizar el modelo y el número de personas incluidas en el estudio tratándose de un estudio piloto.

La precisión diagnóstica Top-1 del modelo ML (39%) fue inferior a MF (64%) y TD (72%). El análisis limitado a los diagnósticos en que el algoritmo había sido entrenado (n=82) hizo aumentar la precisión Top-1 del modelo ML (48%) y Top-3 (75%), siendo comparable a la precisión Top-3 MF (76%). En cuanto a la satisfacción de los profesionales el 92% de los MF consideraron una herramienta útil para el diagnóstico diferencial y el 60% de ayuda en el diagnóstico final de la lesión cutánea.

La precisión diagnóstica global del modelo en este estudio en condiciones reales es inferior a la de profesionales. Estos resultados ponen de manifiesto el potencial de modelos ML para ayudar a los MF en el diagnóstico diferencial y la necesidad de entrenamiento en práctica clínica para adaptar los modelos a la práctica clínica.

CEI Idiap J Gol 20/159-P.